Comment extraire des données d'un PDF en Python

2.1 Fonctionnalités de IronPDF

HTML, HTML5, ASPX et View Razor/MVC sont quelques-uns des formats qui peuvent être convertis en format PDF en utilisant IronPDF. En outre, IronPDF offre la capacité pratique de générer des fichiers PDF à partir d'images et de pages HTML.

The IronPDF toolkit can assist with various tasks, including the creation of interactive PDFs, the facilitation of interactive form completion and submission, the efficient merging and dividing of PDF files, accurate text and image extraction, comprehensive text searching within PDF files, the transformation of PDFs into images, and the flexibility to customize font sizes, borders, and background colors. IronPDF peut également effectuer des conversions de fichiers PDF sans effort.

IronPDF va plus loin en étendant son support aux agents utilisateurs, proxys, cookies, en-têtes HTTP, et variables de formulaire, améliorant ainsi la validation des formulaires de connexion HTML. Il utilise des noms d'utilisateur et des mots de passe pour protéger l'accès utilisateur au texte sécurisé contenu dans les PDFs.

Un impression de fichier PDF peut être produit à partir de nombreuses sources, telles qu'une chaîne, un flux ou une URL, et est réalisable avec seulement quelques lignes de code.

IronPDF peut produire des documents PDF aplatis en convertissant les éléments interactifs et en s'assurant que le contenu du document reste inchangé et visible mais non modifiable.

3.1 Installer Python et Créer un Environnement Virtuel

Assurez-vous d'avoir le langage de programmation Python installé sur votre ordinateur personnel. C'est important car les bibliothèques Python sont souvent requises pour diverses tâches. Pour ce faire, visitez le site officiel de Python et téléchargez la dernière version compatible avec votre système d'exploitation. Cela vous garantit d'avoir les bons outils pour travailler efficacement avec les bibliothèques Python.

Après avoir installé Python, établissez un environnement virtuel pour isoler les bibliothèques nécessaires à votre projet, car certains projets peuvent nécessiter certaines bibliothèques de Python. Le module venv, qui vous permet de construire et maintenir des environnements virtuels, pourrait aider votre projet de conversion à avoir un espace de travail propre et autonome, notamment lorsque vous manipulez plusieurs bibliothèques Python.

3.2 Configuration d'un Nouveau Projet dans PyCharm

You have the flexibility to write Python code using any text editor or coding environment, such as Visual Studio Code, PyCharm, or Sublime Text. Cependant, cet article utilise PyCharm, un IDE pour écrire du code Python, afin de créer un projet Python.

Une fois que l'IDE PyCharm est lancé, sélectionnez Nouveau Projet.

IDE PyCharm pour créer un Nouveau Projet Python

Après avoir sélectionné Nouveau Projet, vous verrez une nouvelle fenêtre vous permettant de spécifier l'environnement et l'emplacement du projet. L'image ci-dessous pourrait apporter plus de clarté.

Après avoir configuré les détails de l'emplacement du projet et de l'environnement et en cliquant sur Créer vous entrerez dans l'interface de PyCharm. Ici, vous trouverez la structure de votre projet et les fichiers de code. C'est votre espace de travail pour gérer et développer votre projet. Python 3.9 est la version utilisée dans ce guide.

Le fichier principal en Python

3.3 Exigences de Bibliothèque pour IronPDF

La bibliothèque Python IronPDF s'interface communément avec .NET 6.0. Par conséquent, pour utiliser efficacement IronPDF pour Python, votre ordinateur doit être équipé du runtime .NET 6.0.

Pour les utilisateurs Linux et Mac, il peut être nécessaire d'installer .NET avant d'utiliser ce module Python. Pour des conseils sur l'obtention de l'environnement runtime requis, veuillez visiter cette page de téléchargement Microsoft.

3.4 Installer la Bibliothèque IronPDF

Vous devez installer le package "ironpdf" pour travailler avec les fichiers PDF, y compris les créer, les modifier et les ouvrir. Pour ce faire dans PyCharm, ouvrez la fenêtre du terminal et entrez cette commande :

pip install ironpdf

Consultez la capture d'écran ci-dessous pour l'installation du package ironpdf.

Installation d'IronPDF

4.1 Extraction de Toutes les Données Textuelles du fichier PDF

Dans cet exemple, le processus d'extraction de texte à partir d'un PDF existant à l'aide de IronPDF est démontré. Dans ce cas, le document PDF ci-dessous est utilisé pour cette démonstration.

La première méthode se concentre sur l'extraction de tout le texte du fichier PDF. Écrivez le code suivant pour effectuer facilement une extraction de données complète sur le PDF d'entrée :

from ironpdf import *

# Load a PDF document from a file
pdf = PdfDocument.FromFile("sampleData.pdf")

# Extract all text from the PDF document
all_text = pdf.ExtractAllText()

from ironpdf import *

# Load a PDF document from a file
pdf = PdfDocument.FromFile("sampleData.pdf")

# Extract all text from the PDF document
all_text = pdf.ExtractAllText()

Comme illustré dans le code ci-dessus, la méthode FromFile joue un rôle clé. Elle charge le fichier PDF à partir d'un emplacement existant pour le convertir en objets PdfDocument. Avec cet objet, tant le contenu textuel que les images présents dans les pages PDF peuvent être accessibles. Pour extraire tout le texte du fichier PDF donné, une méthode appelée ExtractAllText est utilisée. Le texte extrait est alors stocké dans une chaîne, prêt pour un traitement ultérieur.

4.2 Extraction de Texte Page par Page

Voici le code pour la deuxième approche, qui extrait explicitement du texte de chaque page du fichier PDF.

from ironpdf import *

# Load a PDF document from a file
pdf = PdfDocument.FromFile("sampleData.pdf")

# Iterate over each page and extract text
for xpage in range(pdf.PageCount):
    # Extract text from the current page
    print(pdf.ExtractTextFromPage(xpage))

from ironpdf import *

# Load a PDF document from a file
pdf = PdfDocument.FromFile("sampleData.pdf")

# Iterate over each page and extract text
for xpage in range(pdf.PageCount):
    # Extract text from the current page
    print(pdf.ExtractTextFromPage(xpage))

Ce code d'exemple charge initialement l'ensemble du fichier PDF et le transforme en un objet PdfDocument appelé pdf. Pour s'assurer que chaque page spécifique du fichier PDF est traitée séquentiellement, chaque page est accédée en utilisant son numéro de page ou son indice de page dans l'objet pdf. Pour ce faire, déterminez d'abord le nombre total de pages présentes dans le PDF d'entrée en utilisant la méthode PageCount de son objet pdf.

Avec ce nombre de pages, une boucle for itère à travers chaque page, appelant la fonction ExtractTextFromPage pour extraire le texte de chaque page du document PDF. Le texte extrait peut être stocké dans une variable de chaîne ou affiché à l'écran utilisateur. Ainsi, cette méthode permet l'extraction organisée de texte de chaque page PDF séparée. Ces méthodes, issues de IronPDF, une bibliothèque Python destinée aux tâches PDF, mettent en évidence sa capacité à rendre l'extraction de texte à partir de fichiers PDF facile et complète. Cette accessibilité a de nombreuses applications pratiques et améliore l'utilité des PDFs dans différents domaines.